PreView：通过预处理视图和提示增强 GUI 定位
🧭 GUI 视觉定位 · 输入预处理增强冻结模型
Independent Researcher
提出轻量辅助预处理器 PreView，为冻结 GUI 定位模型生成局部放大视图与候选特定视觉/文本提示，无需微调提升定位准确率。
📌 工作参考价值（4 点）
- 在电商/广告领域的 Agent 自动化（如 RPA、后台操作、广告审核）中，面对高分辨率复杂界面，可借鉴 PreView 的轻量辅助模型预测候选中心、裁剪放大局部视图，显著降低 VLM 输入分辨率和 token 成本，同时提升小控件点击准确率。
- 候选特定 cue 设计可直接复用：用红圈标记 + 位置提示（如“在左上角附近”）作为视觉 cue，结合候选身份/功能的简短文本描述（如“这是一个‘立即购买’按钮”），消除多控件密集布局下的歧义，这对商品详情页、广告落地页元素定位与合规检测尤其有用。
- 冻结主干模型、仅训练轻量预处理模块的范式适合业务快速迭代：无需重训或微调现有 VLM/grounding 模型，可快速适配不同界面风格和业务场景；中心细化机制可借鉴为 coarse-to-fine 定位策略。
- 注意视觉输入预算管理：论文分析了视觉输入 budgets，启示在部署时可根据目标控件数量动态调整裁剪视图数量与分辨率，平衡准确率与推理成本。
看见、维持与学习：多模态智能体记忆的演进
🧭 多模态 Agent 记忆机制综述
Rutgers · Notre Dame · Michigan · Fudan · UC San Diego
提出双轴框架解析多模态Agent记忆的形成/表示与管理演化，总结设计模式与原则
📌 工作参考价值（4 点）
- 将记忆分为 T1 静态 / T2 动态 / T3 自演进三层，可用于电商导购或客服 Agent 的记忆架构：用户长期偏好作为静态记忆（T1），会话内上下文动态更新（T2），跨会话策略通过经验持续优化（T3）。
- 双轴框架指导多模态商品信息（图片、视频、文本描述）如何编码与表示，可借鉴 modality-specific embeddings、文本/结构化记录、latent/parametric representations 的取舍，设计商品知识库和用户画像的融合方式。
- 原则强调 balancing source fidelity with abstraction、temporal validity and provenance、evidence grounding，对构建可解释、防幻觉的推荐/客服 Agent 记忆至关重要，尤其在召回证据和解释推荐理由时。
- 自演进记忆策略可类比在线学习或 meta-learning，适合需要持续适应用户兴趣漂移的推荐系统，可探索用 LLM 自动更新记忆管理 policy。
MotionCoach：构建多模态引导实现视频专业动作编辑
🧭 Agent 多模态引导视频编辑 ★ 深度解读
Peking University · Alibaba Token Hub, Alibaba Group · University of Science and Technology of China · Zhejiang University
训练多模态Agent自动搜索、验证并裁剪动作参考，输出grounded prompt与reference clip，显著提升冻结视频编辑模型的专业动作编辑能力。
📌 工作参考价值（4 点）
- 借鉴“冻结生成模型 + 轻量 Agent 策略”的分离架构：在商品视频生成、广告创意生成中，不重新训练底模，训练一个 VLM Agent 来构造可靠的参考素材和 grounded prompt（包含关键卖点、时间结构、负向约束），可低成本适配垂直类目。
- 借鉴 self-verification 与 tool use：类似 RAG 中的检索后验证，在电商视频编辑中 Agent 可以搜索候选商品素材、检查是否展示正确商品和动作，自验证后裁剪出最有用的片段，避免错误参考导致生成偏差；该逻辑可用于广告素材自动剪辑和生成。
- 借鉴 RL 奖励设计：用三个奖励（prompt 质量、下游生成结果、格式）训练 Agent，尤其以冻结编辑器实际生成的视频作为奖励信号；在推荐/搜索中，可训练 Agent 生成 query 解释或推荐理由，奖励包括文本质量和最终转化/点击模型评分，形成闭环。
- 数据流水线：teacher 模型生成轨迹 + VLM/程序化检查 + 人工抽检，快速构建 SFT/RL 数据，适合缺少标注的垂直领域。
OneSearch-VL：统一图像/视频的多模态深度研究 Agent
🧭 多模态深度研究 Agent 统一训练 ★ 深度解读
BUAA · CUHK · NTU · THU · HFUT
以视觉证据图 VGEG 与证据/定位双层奖励 EVGR 为核心，统一训练单图、多图、视频深度研究 Agent
📌 工作参考价值（4 点）
- 用显式证据图统一数据构造、SFT 轨迹过滤与 RL 过程奖励：在电商商品图像/视频理解中，可构建「视觉 anchor → 商品实体 → 来源化属性事实 → 答案操作」的 VGEG 结构，使商品问答/导购 Agent 的证据链路可追溯，便于生成训练数据和做细粒度评测。
- 把过程奖励拆成 evidence traceability + visual grounding 两个维度：最终答案正确之外，分别检验检索事实是否被工具观察支持，以及模型是否真的定位到正确商品区域/视频帧。消融显示两者同时使用比只用答案+query 奖励平均高 3.8 个点，适合迁移到电商多模态 Agent 的 RL 训练，降低幻觉和“不看图就答”。
- 评测按 research operation 分层，而不是只报总体准确率：单 anchor lookup、multi-hop、多 anchor join/comparison/arithmetic、knowledge-conditioned counting 等操作化分层，能定位 Agent 具体弱项；电商场景同样可以按“属性抽取、跨商品比较、规格计算、多图统计”拆 benchmark，避免平均分掩盖能力短板。
- 单图/多图/视频联合 SFT 有跨输入迁移收益：共用同一套 action-observation 工具 schema 和动作空间，联合训练达到 55.8 平均分，优于单类型训练；电商场景中商品主图、多角图、商品视频共用一套策略，可以减少多套系统维护成本并提升一致体验。
VideoGen-Agent：强化视频生成智能体
🧭 多模态 Agent 工具使用与强化学习
Princeton University · Stanford University · UC Davis · MMLab, CUHK · Independent
通过多任务智能体强化学习训练多模态 Agent 协调外部工具，显著提升复杂视频生成任务的指令遵循能力。
📌 工作参考价值（4 点）
- 多工具 Agent 的「检索/增强 → 生成 → 验证」闭环可迁移到电商导购 Agent：先搜索增强获取商品知识，再生成推荐理由/文案，最后校验属性一致性与用户意图覆盖，提升复杂需求满足率。
- 奖励函数分解为工具调用合法性、任务适配性、内容质量三类，并做类别平衡与类别感知加权，可借鉴到推荐/广告文案生成 Agent 的训练中，避免只优化点击或转化导致工具滥用或内容偏置。
- 先 SFT 教师轨迹再 RL 精调，且生成工具可独立升级无需重训 Agent，这种解耦架构在业务中可大幅降低迭代成本：底层生成模型或检索库更换后，策略网络无需重新训练。
- VABench 的评估维度（专业知识、身份保持、物理一致性、场景构图、多镜头时序）可迁移为电商视频/商品描述生成的评测框架，尤其多实体身份一致性和时序事件逻辑值得借鉴。
多模态智能体图像生成与编辑全栈方案
🧭 多模态 Agent 图像生成编辑全栈
Weixin AI, Tencent
提出全栈式多模态 Agent 方案，含运行时、数据、基准与后训练，30B总/3B激活策略逼近1T参数 agent 性能
📌 工作参考价值（4 点）
- 在电商商品图/营销素材生成 Agent 中，借鉴其「持久证据管理 + dense carrier」设计：将商品属性、品牌规范、历史文案等检索到的多模态证据沉淀为统一上下文，避免每轮重复检索，提升多轮编辑一致性。
- 把 verification/integration 拆成独立工具而非塞进 policy 模型，降低策略模型负载并提高可靠性；在推荐/搜索 Agent 中可加结果验证与证据融合工具，先验证再输出。
- 用三层可验证 checklist 构建 RL 奖励，解决生成/推荐任务难以自动打分的痛点；可迁移到文案生成、创意推荐的离线评估。
- 小参数策略（3B active）通过 SFT+RL 后训练接近大模型，适合线上成本敏感场景；数据构造上优先合成 prompt + agent trajectory，再 SFT 后 RL。
Video-DeepResearch：面向视频的多模态深度研究Agent框架
🧭 视频深度研究Agent · 解耦感知探索 ★ 深度解读
USTC · Xiaohongshu Inc. · CUHK · The Hong Kong Polytechnic University · ZJU
首个统一视频深度研究数据、训练与评估的框架，通过解耦感知-探索与GRPO纠正模态偏见，35B模型超越闭源SOTA
📌 工作参考价值（4 点）
- 解耦感知-探索的两阶段流程可迁移至电商多模态搜索：先强制对商品关键视觉特征（如logo、型号）进行裁剪搜索，再开放文本描述与评论检索，能规避模型直接依赖文本偏差。
- GRPO+拒绝采样训练范式适合训练Agent工具使用：用稀疏奖励（正确/错误）结合组内相对优势，无需价值网络即可推动自主探索，可用于训练推荐Agent调用多个API（如商品查询、用户画像）。
- 数据合成中防参数泄漏的筛选策略可直接复用：生成问答对后，用无工具多次问答（Pass@4）过滤掉可凭记忆回答的样本，保证训练数据必须依赖工具，适用于构建需检索的推荐问答对。
- 工具调用频率的诊断价值：通过分析视觉/文本工具平均调用次数来识别Agent的模态偏见，可类比推广到推荐系统Agent监控不同召回通路的使用均衡性。
DeepVoyager-VL：长程多模态循环视觉搜索框架
🧭 多模态Agent · 视觉增强搜索
PKU · HKUST(GZ) · NUDT · OUC · HITSZ
通过多模态事件图合成中间视觉依赖的推理数据，训练Agent主动获取视觉证据驱动多轮搜索。
📌 工作参考价值（4 点）
- 借鉴事件图驱动的数据合成范式，为电商搜索构建包含多轮视觉对比（如商品图、评价截图）的长链推理训练数据，训练具备中间视觉依赖推理能力的搜索Agent。
- 主动视觉获取与按需图像加载设计，可降低多模态搜索Agent在实际应用中的计算开销，适合淘宝等大型商品图像索引场景。
- 纯SFT微调（无需RL）即可显著提升多模态搜索能力，实现简单且稳定，适合业务快速迭代。
- 视觉在循环中的交互模式可迁移至电商导购：通过用户上传的图片逐步澄清需求，动态驱动下一轮检索或提问。
LEDGERMIND：基于结构化证据账本的溯源约束多模态智能推理
🧭 溯源约束的多模态Agent推理框架
The Hong Kong University of Science and Technology (Guangzhou) · The University of Hong Kong · Tsinghua University · University of Sussex
将多模态Agent轨迹构建为溯源约束状态机，用结构化证据账本限制推理，提升准确性与轨迹忠实度
📌 工作参考价值（4 点）
- 在电商商品问答或推荐解释等场景中，可借鉴结构化证据账本约束Agent的推理链：要求每条中间论断必须引用来自工具调用（如商品数据库、图像识别）的确定证据，防止产生“幻象接地”式的错误推荐理由。
- 自适应双路分发器根据查询复杂度动态选择推理深度，可迁移至搜索/推荐系统中的多模态查询处理：简单意图走轻量路径，避免过度调用昂贵模型，兼顾效率与准确性。
- 事件触发验证与修复引擎可应用于实时纠错：当监测到推理过程中的证据不一致时，仅允许基于已有账本条目的修复操作，杜绝凭空捏造信息，保障推荐理由的事后可审计性。
- 三层接地协议（实体级、数值级等校验）可直接用于商品属性抽取与校验，确保生成的商品描述或推荐文案中实体名称、数值参数等与原始多模态信息严格一致，降低事实性错误。
SPyCE：多模态智能体的技能-策略协同进化框架
🧭 多模态Agent · 技能-策略协同进化
Zhejiang University · Beijing University of Posts and Telecommunications
将多模态推理轨迹蒸馏为层级技能库，与策略在强化学习中协同进化，形成自我改进闭环
📌 工作参考价值（4 点）
- 构建层次化技能库：执行技能（局部视觉操作）和工作流技能（高层工具编排），可直接复用于电商多模态Agent设计，将商品图片分析、多步工具调用沉淀为可复用模块。
- 技能与策略闭环进化：在线RL中，用策略生成的高分轨迹持续更新技能库，再用检索到的技能引导策略探索，可实现Agent自我改进，适合需要长期运行的搜索推荐辅助Agent。
- 检索增强的策略条件：将历史成功技能作为先验注入策略模型，可大幅提高样本效率，尤其适用于多步交互场景（如智能客服、视觉比货），避免从零开始探索工具使用模式。
- 视觉操作封装：把图像裁剪、对比、OCR等原子操作抽象为执行技能，可构建可组合的视觉推理流水线，降低MLLM直接操作像素的复杂度。
认知结构多模态 Agent：带情景视觉记忆的长时对话理解、生成与编辑
🧭 多模态 Agent · 认知记忆结构 ★ 深度解读
Peking University · Tencent Inc. (WeChat Vision)
将视觉历史外化为结构化记忆并选择性检索，8B代理在20轮多模态对话中检索准确率达91.4%，超越32B统一模型且推理时间减半。
📌 工作参考价值（4 点）
- 显式情景记忆管理 & 按需检索：将视觉信息压缩为结构化条目（标签、描述、缩略图）存入外部记忆库，仅检索相关片段注入上下文，可迁移到推荐系统中长序列用户行为建模，避免将所有历史行为塞进模型窗口，降低计算开销并提升跨轮引用准确率。
- 解耦的多模块架构与独立优化：感知抽象（PAE）、检索（CoRE）、任务执行（MEC）互相解耦，支持分别进行SFT和RL训练，并且PAE的优化直接以下游检索成功为奖励，而非独立的描述质量指标。在电商Agent中，可将商品图片理解、意图识别、工具调度分离，各模块可独立迭代。
- 分阶段SFT+RL训练策略：先SFT训练检索器，再通过RL（DAPO）提升检索精度，最后冻结检索器用RL优化记忆写入，形成闭环。推荐系统中的长期兴趣编码、记忆压缩等模块可借鉴：用任务奖励直接优化压缩策略，避免中间指标偏移。
- 工具增强的CMA-Harness部署框架：将执行控制器扩展为工具调用中枢，集成搜索、图像生成/编辑、布局拼接等17种工具，并利用多域持久记忆（会话、用户偏好、素材库）实现跨会话复用。对于搭建商品图合成、营销素材生成、客服视觉问答等Agent应用有直接参考价值。
VaseMuseum：面向古希腊陶器的可信多模态数字博物馆 Agent
🧭 Agent 多模态推理与可靠性控制
通过证据级与响应级双重可靠性控制及无训练 GRPO 选择，缓解 VLM 在专业检索中的幻觉与过度自信
📌 工作参考价值（4 点）
- 检索增强生成的双重可靠性控制：在电商商品问答或推荐解释生成中，可先检索权威来源，通过源级控制过滤多样且可验证的证据，生成后由响应级控制检查声明是否被证据支持；若支持度低，强制输出中性回答，有效抑制幻觉。
- 无训练推理时选择机制（GRPO-style）：不更新 VLM 骨干，从多个候选回答中选择引用有效性和置信度校准更好的结果，适合成本敏感或无法微调的场景，可直接嵌入推荐 Agent 的答案生成模块。
- 3D 多模态感知与推理：支持 2D 图像和 3D 点云输入，可为商品 3D 展示、AR 试穿等场景提供知识增强交互的参考架构。
- 模块化 Agent 设计：感知、检索、推理、控制解耦，便于在现有推荐或客服 Agent 中按需插入可靠性控制组件，快速提升可信度。
PixelEyes：解耦感知与推理的精准视觉证据搜索
🧭 解耦感知与推理的视觉Agent
Wuhan University · UC Merced · UTS · NUS · NTU
提出解耦式视觉Agent：推理器决定找什么，专用分割工具给出掩码级定位，配合语义区域BFS消灭冗余路径。
📌 工作参考价值（4 点）
- 解耦架构可直接迁移到电商Agent：用LLM做高层推理决策（如“找 logo 在衣服的哪个部位”），调用专精的视觉基础模型（如商品分割模型）给出像素级定位，避免LLM直接输出 bbox 不准导致的多轮无效追问。
- 语义区域 BFS 策略用于多轮商品对比：对商品详情图进行语义分割（如领口、袖口、印花区域），按区域广度优先提问，可系统性地收集细粒度属性，替代当前对话式推荐中随机或深度优先的循环。
- 合成专家轨迹数据集的方法：将高效搜索策略（如 BFS + 掩码引导）内化到模型训练中，可借鉴用于训练对话式推荐或客服 Agent，让模型学会用最短轮次完成信息收集。
- Pinpoint-Bench 的细粒度失败分析框架：分离定位错误与推理错误，有助于诊断业务中多模态 Agent 的“注意盲视”（看到区域但识别错），可用于离线评估和迭代优化。
渐进式多模态搜索 Agent 用于知识型视觉问答
🧭 Agent 自适应多模态检索
OPPO AI Center · Tsinghua University · Nanyang Technological University
提出自适应调用图文检索的 Agent，并通过长度与深度归一化的 RL 优化搜索策略
📌 工作参考价值（4 点）
- 自适应检索流程：Agent 迭代选择图像搜索、文本搜索或停止，带工具调用预算和去重。在电商商品搜索中，可构建类似 Agent，根据用户意图动态决定查询商品图库还是文本描述库，避免固定 top-k 带来冗余。
- 序列级 RL 训练归一化：TN-GSPO 根据生成长度与工具交互深度归一化更新，缓解冗长交互被过度惩罚的问题。训练推荐对话 Agent 时，可借鉴此目标，平衡回答质量与多轮交互开销。
- 两阶段训练范式：先拒绝采样 SFT 学习合法工具调用格式，再 RL 优化。对落地 Agent 很有参考意义：先用人工或规则筛选合法 action 轨迹微调，再线上 RL 提升策略。
- 去重机制：对已检索内容去重，避免重复调用工具。在召回或多路检索场景中，可加入类似历史感知的去重，减少无效请求，提升效率。
IterCAD：面向视觉引导CAD生成与编辑的迭代多模态智能体
🧭 CAD 生成与编辑 · 多模态 Agent · 闭环几何推理 ★ 深度解读
Shanghai Artificial Intelligence Laboratory · University of Science and Technology of China · Shanghai Innovation Institute · Wuhan University · The Australian National University
提出迭代多模态Agent框架，通过多视图工程图闭环交互与几何感知RL，实现鲁棒CAD代码生成与编辑
📌 工作参考价值（4 点）
- 闭环Agent交互范式：借鉴“思考-执行-观察”的多轮交互协议，强制模型输出结构化推理和代码块，并给予格式奖励，可用于电商复杂查询Agent或对话式购物助手的设计，提高多步决策的可靠性。
- 数据合成与训练流程：先用专家模型合成高质量多轮交互轨迹进行SFT冷启动，再通过几何感知强化学习提升自校正能力，此两步走训练策略可直接复用到需要长程推理和纠错的业务场景（如多轮推荐对话、任务型Agent）。
- 信用分配掩码（GVPM）：为解决多轮RL中后期失败惩罚前期有效动作的问题，引入前缀掩码，只对有效前缀进行强化，可迁移到任何多轮交互的RL训练中（如多步召回策略优化、对话策略学习）。
- 幸存者偏差消除评估：提出的CD-TR曲线和AUC-TR指标将代码执行成功率与几何精度联合评估，类似思路可引入到生成式推荐或SQL生成任务中，把生成失败记为最低分，避免仅统计成功样本而导致的评价失真。
InternVideo3：通过多模态上下文推理实现基础模型智能体化
🧭 多模态 Agent · 长视频推理 ★ 深度解读
Shanghai AI Laboratory · Shanghai Innovation Institute · Nanjing University
提出多模态上下文推理（MCR）与多头潜在注意力（M²LA），将开放视频模型推向长程视觉智能体
📌 工作参考价值（4 点）
- MCR 闭环范式可用于多步商品理解：将商品多模态信息、用户查询、工具调用结果维护在统一上下文中，递归观察-推理-动作，适合直播切品、复杂选品等需要动态环境交互的场景，可直接借鉴其对证据积累和信念更新的设计。
- M²LA 可降低多模态 Agent 的 KV Cache 开销：通过潜在注意力压缩保留全部视觉 token 的同时减少缓存内存，对于需要长对话历史、多轮商品对比或超长视频分析的电商客服 Agent 很实用，可尝试类似低秩映射和模态自适应适配器来优化线上成本。
- 分阶段训练配方可复用：先通过 M²LA 转换后的 continued pretraining 恢复能力，再用短到长的课程 SFT、基于规则验证的 RL 和 on-policy 蒸馏，这种组合对公开基座模型增强长程推理和工具使用能力路径清晰，适合在自身业务基座上微调推理能力。
- 层次化记忆与递归验证可提升回答可靠性：论文中的分层记忆（帧/片段/场景）、问题路由、检索与自我验证机制，可用于商品视频问答或导购 Agent 中，降低幻觉并强制答案有据可依，特别是遇到不确定时重新检索证据再修正答案的思路值得实现。
面向多模态Agent的任务聚焦记忆
🧭 多模态Agent长期记忆 · Task-focused Memorization
ByteDance Seed · Fudan University
提出基于强化学习的记忆策略学习框架，使多模态Agent动态选择任务相关记忆内容，提升流式VQA准确率
📌 工作参考价值（4 点）
- Agent记忆选择策略可复用：在电商客服或购物助手中，可将用户交互日志视为连续流，借鉴TaskMem的二阶段训练：先预训练记忆编码器保证信息压缩质量，上线后根据任务奖励（如回复满意度）在线微调Adapter，让记忆聚焦于用户偏好、未解决诉求等关键信号。
- RL奖励设计思路：用近期线上任务自动构建奖励模型，避免人工标注，适合电商Agent动态变化的场景。可将此思路用于对话状态追踪或推荐解释生成中，引导记忆模块捕捉高价值上下文。
- Adapter隔离基座模型：仅在基座MLLM上训练轻量Adapter来调整记忆策略，保持原模型能力不变，利于快速迭代和A/B测试。在电商推荐系统中，类似做法可用于微调序列模型以选择性保留关键用户行为，而不破坏预训练表示。
- 评估范式可迁移：将静态数据集改造为流式、仅依赖记忆的问答基准，能更真实反映记忆模块有效性，可用于评估用户长期兴趣建模中序列压缩/记忆模块的效果。
WorldMemArena：通过动作-世界交互评估多模态Agent记忆
🧭 多模态 Agent 记忆评估 ★ 深度解读
University of California, Santa Barbara · J.P. Morgan Chase · ETH Zurich · Stanford University · Johns Hopkins University
提出将多模态Agent记忆建模为动作-世界交互循环，构建覆盖写入、更新、检索、使用四阶段诊断的基准
📌 工作参考价值（4 点）
- 记忆评估应分解为写入、更新、检索、使用四个阶段，避免仅看最终问答分数，帮助在电商对话Agent中精确定位失败点（如偏好更新延迟、证据检索错误）。
- 多模态记忆（商品图、界面截图）不可简单压缩为文本，需保留视觉细节，否则关键信息丢失会直接影响推荐与问答质量。
- 记忆维护需支持修订和遗忘，而非单纯追加；电商中用户兴趣变化、商品状态更新等需及时覆盖，防止过时知识干扰决策。
- 自管理记忆（harness）更灵活但成本高，可结合场景采用混合策略：核心任务用结构化记忆，长尾交互尝试自主管理，平衡效果与开销。
Maestro：强化学习驱动层次化模型-技能集成编排
🧭 多模态Agent · 模型-技能强化学习编排 ★ 深度解读
Tsinghua University · Zhejiang University · The Chinese University of Hong Kong · Nanyang Technological University · Tongji University
用 4B 编排器通过 RL 动态组合冻结专家与层级技能，在多模态基准上超越 GPT‑5 并实现即插即用扩展
📌 工作参考价值（4 点）
- 用 RL 训练编排策略取代硬编码路由：可借鉴到电商多智能体系统，让轻量级策略模型动态选择哪个 LLM 执行哪个工具，避免手工规则。
- 层次化技能库压缩动作空间：将细粒度技能组织为两级，编排器只选粗粒度 Level‑1 技能，内部再用关键词或模型分类路由到 Level‑2，降低搜索复杂度，适合大规模工具集管理。
- 即插即用扩展：新增专家模型和技能无需重新训练编排器，直接加入注册表即可提升性能，适合业务中不断引入新模型和工具的演进场景。
- 结果驱动的稀疏奖励设计：仅用答案正确性 + 格式惩罚训练，无需步骤级监督，实践上易于实现。格式奖励保证多步协议合规，避免生成混乱轨迹。
MemEye：以视觉为中心的多模态智能体记忆评估框架
🧭 Agent
从视觉证据粒度和推理方式两维评估多模态记忆，揭示现有架构在细节保留与状态变化推理上的缺陷